一种基于深度学习-界面流耦合的压水堆中子输运方法

1.本发明涉及核反应堆堆芯设计和安全领域，具体涉及一种基于深度学习-界面流耦合的压水堆中子输运方法。


背景技术：

2.在目前的核能发展中，针对复杂几何压水堆的中子输运计算，蒙特卡罗方法具有很高的计算精度和几何适应性，然而大量的粒子抽样计算导致计算效率很低。确定论方法相对蒙特卡罗方法具有很高的计算效率，但现阶段的共振计算方法和输运计算方法均无法满足复杂几何压水堆的高精度高效率计算要求。深度学习方法具有很强的复杂规律的学习能力，可以利用深度学习方法学习蒙特卡罗方法中大量中子与压水堆燃料、慢化剂、结构材料碰撞的迁移规律，实现深度学习方法在复杂几何压水堆的高精度高效率输运计算。


技术实现要素：

3.提出一种基于深度学习-界面流耦合的压水堆中子输运方法，通过蒙特卡罗方法模拟三角形网格基本单元内中子与材料的俘获、裂变或散射后的中子迁移过程，利用蒙特卡罗方法的模拟结果训练深度学习模型不同材料的中子入射-出射分布规律，基于界面流守恒建立压水堆剖分后三角形网格基本单元之间的连接关系和中子输运计算扫描过程，形成一种综合了蒙特卡罗方法、深度学习和界面流方法的新型中子输运计算方法。
4.为了实现上述目的，本发明采用了以下技术方案予以实施：一种基于深度学习-界面流耦合的压水堆中子输运方法，包括如下步骤：步骤1：读取所要模拟的压水堆堆芯的几何信息和材料信息；步骤2：针对步骤1读取的几何信息和材料信息，将压水堆燃料栅元剖分为三角形网格，每个三角形网格基本单元内是均匀材料，并利用特征参数表征三角形网格基本单元：（a）几何特征参数：三角形的三个边的边长；（b）材料特征参数：包括燃料特征参数、慢化剂特征参数和结构材料特征参数，燃料特征参数为温度和富集度；慢化剂特征参数为温度和硼浓度；结构材料特征参数为温度；步骤3：针对每个三角形网格基本单元，利用蒙特卡罗程序计算边界入射中子能量为、角度方向为时三个边的出射中子能量分布和角度分布数据；通过变化入射中子的能量和角度，产生一系列的样本数据；步骤4：基于步骤3获得的样本数据，针对慢化剂和结构材料的三角形网格基本单元，建立并训练以入射中子能量、入射中子角度、三角形网格基本单元几何特征参数和材料特征参数为输入，以三个边的出射中子能量分布和出射中子角度分布为输出的慢化剂-结构材料全连接深度学习网络模型；基于步骤3获得的样本数据，针对燃料的三角形网格基本单元，建立以压水堆特征值、入射中子能量、入射中子角度、三角形网格基本单元几何特征参数和材料特征参数为输入，以三角形网格基本单元内总的裂变中子数、三个边的出射中
子能量分布、出射中子角度分布为输出的燃料全连接深度学习网络模型；步骤5：根据三角形网格基本单元的界面流连续以及压水堆燃料栅元剖分为三角形网格基本单元时自然形成的几何相邻关系，从压水堆边界任意一个三角形网格基本单元出发，按照几何相邻关系依次扫描，直至获得压水堆内所有三角形网格基本单元的扫描顺序；设定压水堆初始特征值、总的初始裂变源项、所有三角形网格基本单元的三条边的初始入射中子能量分布和入射中子角度分布；步骤6：根据三角形网格基本单元的入射中子能量和入射中子角度，利用步骤4获得的慢化剂-结构材料全连接深度学习网络模型，获得三个边的出射中子能量分布和出射中子角度分布；扫描所有慢化剂和结构材料三角形网格基本单元的每个边的入射中子能量和入射中子角度，对获得的出射中子能量分布和出射中子角度分布分别加和，获得各个边的总出射中子能量分布和总出射中子角度分布；步骤7：根据压水堆特征值、燃料三角形网格基本单元的入射中子能量和入射中子角度，利用步骤4获得的燃料全连接深度学习网络模型，获得该入射中子对应的总的裂变中子数、三个边的出射中子能量分布和出射中子角度分布；扫描燃料区域的所有三角形网格基本单元的每个边的入射中子能量和入射中子角度，对获得的裂变中子数加和、出射中子能量分布和出射中子角度分布分别加和，获得压水堆总的裂变中子数、各个边的总出射中子能量分布和总出射中子角度分布；步骤8：根据公式（1）更新压水堆新的特征值和裂变中子数；根据三角形网格基本单元的界面流连续和连接关系，利用三角形基本单元的出射中子分布更新三角形边的入射中子值；
ꢀꢀ
（1）—特征值新值；—特征值旧值；—燃料区域内三角形网格基本单元总数；—燃料区域内第i个三角形网格基本单元的裂变中子数新值；—燃料区域内第i个三角形网格基本单元的裂变中子数旧值；步骤9：判断特征值和总裂变中子数是否收敛，若相邻两次计算的特征值的相对偏差大于10-5
或相邻两次计算的总裂变中子数的相对偏差大于10-5
，则未收敛，重复步骤6至
步骤8，重新进行计算，直到收敛，至此完成了整个压水堆的输运计算。
5.与现有技术相比，本发明有如下突出优点：本发明不是针对整个压水堆进行深度学习网络模型的训练，而是利用深度学习方法进行三角形网格基本单元内部中子碰撞和迁移复杂规律的学习，克服了针对整个压水堆计算难以产生大量样本的问题，并保证获得的深度学习网络模型具有更高的几何普适性。同时，本发明通过三角形网格基本单元的深度学习网络模型与界面流方法的结合，实现了针对复杂反应堆的高效率高精度计算。
附图说明
6.图1是本发明方法流程图。
7.图2是将一个单栅元剖分为三角形网格的示意图。
具体实施方式
8.下面结合附图和具体实施方式对本发明做进一步详细说明。
9.本发明一种基于深度学习-界面流耦合的压水堆中子输运方法，具体步骤如图1所示，本发明通过蒙特卡罗方法模拟局部简单几何问题的中子与介质俘获、裂变或散射后的中子迁移过程，并在压水堆中具体到每一个燃料栅元，如图2所示，将燃料栅元剖分为三角形网格单元。利用蒙特卡罗方法的模拟结果和深度学习方法学习不同材料和三角形网格单元的中子入射-出射迁移规律，基于界面流守恒建立简单几何单元之间的连接关系和中子输运计算过程。具体步骤如下：步骤1：读取所要模拟的压水堆堆芯的几何信息和材料信息；步骤2：针对步骤1读取的几何信息和材料信息，将压水堆燃料栅元剖分为三角形网格，每个三角形网格基本单元内是均匀材料，并利用特征参数表征三角形网格基本单元：（a）几何特征参数：三角形的三个边的边长；（b）材料特征参数：包括燃料特征参数、慢化剂特征参数和结构材料特征参数，燃料特征参数为温度和富集度；慢化剂特征参数为温度和硼浓度；结构材料特征参数为温度；步骤3：针对每个三角形网格基本单元，利用蒙特卡罗程序计算边界入射中子能量为、角度方向为时三个边的出射中子能量分布和角度分布数据。通过变化入射中子的能量和角度，产生一系列的样本数据；步骤4：基于步骤3获得的样本数据，针对慢化剂和结构材料的三角形网格基本单元，建立并训练以入射中子能量、入射中子角度、三角形网格基本单元几何特征参数和材料特征参数为输入，以三个边的出射中子能量分布和出射中子角度分布为输出的慢化剂-结构材料全连接深度学习网络模型；基于步骤3获得的样本数据，针对燃料的三角形网格基本单元，建立以压水堆特征值、入射中子能量、入射中子角度、三角形网格基本单元几何特征参数和材料特征参数为输入，以三角形网格基本单元内总的裂变中子数、三个边的出射中子能量分布、出射中子角度分布为输出的燃料全连接深度学习网络模型；步骤5：根据三角形网格基本单元的界面流连续以及压水堆燃料栅元剖分为三角形网格基本单元时自然形成的几何相邻关系，从压水堆边界任意一个三角形网格基本单元
出发，按照几何相邻关系依次扫描，直至获得压水堆内所有三角形网格基本单元的扫描顺序；设定压水堆初始特征值、总的初始裂变源项、所有三角形网格基本单元的三条边的初始入射中子能量分布和入射中子角度分布；步骤6：根据三角形网格基本单元的入射中子能量和入射中子角度，利用步骤4获得的慢化剂-结构材料全连接深度学习网络模型，获得三个边的出射中子能量分布和出射中子角度分布；扫描所有慢化剂和结构材料三角形网格基本单元的每个边的入射中子能量和入射中子角度，对获得的出射中子能量分布和出射中子角度分布分别加和，获得各个边的总出射中子能量分布和总出射中子角度分布；步骤7：根据压水堆特征值、燃料三角形网格基本单元的入射中子能量和入射中子角度，利用步骤4获得的燃料全连接深度学习网络模型，获得该入射中子对应的总的裂变中子数、三个边的出射中子能量分布和出射中子角度分布；扫描燃料区域的所有三角形网格基本单元的每个边的入射中子能量和入射中子角度，对获得的裂变中子数加和、出射中子能量分布和出射中子角度分布分别加和，获得压水堆总的裂变中子数、各个边的总出射中子能量分布和总出射中子角度分布；步骤8：根据公式（1）更新压水堆新的特征值和总裂变中子数；根据三角形网格基本单元的界面流连续和连接关系，利用三角形基本单元的出射中子分布更新三角形边的入射中子值；（1）—特征值新值；—特征值旧值；—燃料区域内三角形网格基本单元总数；—燃料区域内第i个三角形网格基本单元的裂变中子数新值；—燃料区域内第i个三角形网格基本单元的裂变中子数旧值；步骤9：判断特征值和总裂变中子数是否收敛，若相邻两次计算的特征值的相对偏差大于10-5
或相邻两次计算的总裂变中子数的相对偏差大于10-5
，则未收敛，重复步骤6至步骤8，重新进行扫描计算，直到收敛，至此完成了整个压水堆的输运计算。